La programación estocástica es un enfoque de la programación matemática que le permite tener en cuenta la incertidumbre en los modelos de optimización.
Mientras que los problemas de optimización deterministas se formulan utilizando parámetros dados, los problemas reales aplicados suelen contener algunos parámetros desconocidos. Cuando los parámetros solo se conocen dentro de ciertos límites, un enfoque para resolver tales problemas se denomina optimización robusta . Este enfoque es encontrar una solución que sea factible para todos esos datos y óptima en algún sentido.
Los modelos de programación estocástica son similares pero utilizan el conocimiento de las distribuciones de probabilidad de los datos o sus estimaciones. El objetivo aquí es encontrar alguna solución que sea válida para todos (o casi todos) los valores de datos posibles y maximice la media de alguna función de decisiones y variables aleatorias. En general, dichos modelos se formulan, resuelven analítica o numéricamente y sus resultados se analizan para brindar información útil a los tomadores de decisiones.
Los modelos lineales de dos etapas de programación estocástica más utilizados y mejor estudiados . [1] Aquí, el tomador de decisiones realiza alguna acción en la primera etapa, después de lo cual ocurre un evento aleatorio que afecta el resultado de la decisión de la primera etapa. En el segundo paso, se puede tomar una decisión correctiva que compense cualquier efecto indeseable resultante de la decisión del primer paso.
La solución óptima de tal modelo es una sola decisión de la primera etapa y un conjunto de decisiones correctivas (reglas de decisión) que determinan qué acción se debe tomar en la segunda etapa en respuesta a cada resultado aleatorio.